III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

11 184 Módulo Química, Biotecnología y Materiales Acelerando el descubrimiento de péptidos terapéuticos mediante estrategias de inteligencia artificial *E-mail: montserrat.goles@ug.uchile.cl ¹ Departamento de Ingeniería Química, Biotecnología y Materiales, Universidad de Chile ² Departamento de Ingeniería en Computación, Universidad de Magallanes ³ Centre for Biotechnology and Bioengineering (CeBiB), Universidad de Chile ⁴ Department of Bioorganic Chemistry, Leibniz Institute of Plant Biochemistry Montserrat Goles ¹* Nicole Soto ² Juan A. Asenjo ¹ , ³ David Medina ² , ³ , ⁴ Los péptidos terapéuticos son una alter- nativa prometedora a los fármacos de moléculas pequeñas debido a su alta especificidad, eficacia y menor toxici - dad. Pueden dirigirse selectivamente a vías celulares, ofreciendo acciones tera- péuticas mejoradas con menos efectos secundarios. No obstante, su corta vida media y degradación enzimática limitan su utilidad clínica, requiriendo enfoques innovadores para mejorar estabilidad y biodisponibilidad. La inteligencia artificial (IA) está revolu - cionando el descubrimiento de péptidos. Los modelos de clasificación predicen propiedades como estabilidad, toxicidad y bioactividad, facilitando la identifica - ción rápida de candidatos terapéuticos. Los modelos generativos amplían este potencial al crear nuevas secuencias optimizadas para características especí- ficas, lo que expande el espacio químico disponible. Estos métodos agilizan el des- cubrimiento de péptidos, reducen costos y abordan desafíos clave de diseño. Pese a su potencial, los métodos de aprendizaje automático (ML) enfrentan obstáculos como datos limitados y las complejas propiedades estructurales de los péptidos que los marcos de ML estándar no capturan fácilmente. Esta tesis desarrolla estrategias de ML para acelerar el descubrimiento de pépti- dos terapéuticos, explorando modelos de clasificación funcional basados en modelos de lenguaje de proteínas y aprendizaje por transferencia, logran- do una precisión superior al 80% y una puntuación F1 de 0,8 en la clasificación de péptidos antivirales. También se de- sarrollaron modelos de predicción de to- xicidad con más del 90% de precisión, y se generaron más de 4000 péptidos anti Virus de Inmunodeficiencia Humana (anti-VIH) mediante modelos genera - tivos. Además, se identificaron reglas bioinformáticas para seleccionar candi- datos anti-VIH con mecanismos de anti - fusión o inhibición de integrasa. Este trabajo abre camino para validar experimentalmente candidatos de alto potencial, integrar modelos predicti- vos de propiedades farmacológicas y analizar péptidos multifuncionales (" moonlighting ") para optimizar la ad- ministración de fármacos. Estos avan- ces optimizan péptidos terapéuticos y expanden su rol en el desarrollo de fár- macos de próxima generación. Resumen